1.研究背景及研究目的和意義

車牌識(shí)別Vehicle License Plate Recognition VLPR) 是從一張或一系列數(shù)字圖片中自動(dòng)定位車牌區(qū)域并提取車牌信息的圖像識(shí)別技術(shù)。車牌識(shí)別 以數(shù)字圖像處理、模式識(shí)別、計(jì)算機(jī)視覺(jué)等技術(shù)為基礎(chǔ)，是現(xiàn)代智能交通系統(tǒng)的重要組成部分，廣泛應(yīng)用于日常生活中，如 停車場(chǎng)收 費(fèi)管理，車輛出入管理，自動(dòng)放行，交通流量控制指標(biāo)測(cè)量，車輛定位，汽車防盜，高速公路超速自動(dòng)化監(jiān)管、闖紅燈電子警察、公路收費(fèi)站等。

據(jù)公安部交管局統(tǒng)計(jì)，截至2016年底，全 國(guó)機(jī)動(dòng)車保有量達(dá) 2.9億輛，其中汽車 1.94億輛 2016年新注冊(cè)登記的汽車達(dá) 2752萬(wàn)輛，保有量 增 加了 2212萬(wàn)輛。全國(guó)有 49個(gè)城市的汽車保有量超過(guò)百萬(wàn)輛， 18個(gè)城市超 過(guò) 200萬(wàn)輛， 6個(gè)城市超過(guò) 300 萬(wàn)輛。 面對(duì)迅猛增長(zhǎng)的汽車 保有量和高密度的城市汽車保有率，車牌識(shí)別對(duì)于維護(hù)交通安全和城市治安，防止交通堵塞，實(shí)現(xiàn)交通自動(dòng)化管理有著重要的現(xiàn)實(shí)意義。

生活中應(yīng)用的自動(dòng)車牌檢測(cè)系統(tǒng)往往包括車輛檢測(cè)、圖像采集、車牌識(shí)別三個(gè)部分，其硬件基礎(chǔ)包括觸發(fā)設(shè)備（如地感線圈、紅外線）、攝像設(shè)備、照明設(shè)備、圖像采集設(shè)備、識(shí)別車牌號(hào)碼的處理機(jī)（如計(jì)算機(jī)）等，其軟件核心包括車牌定位算法、車牌字符分割算法和光學(xué)字符識(shí)別算法等 。它的基本 原理為，車輛檢測(cè)部分檢測(cè)到車輛到達(dá)后觸發(fā)圖像 采集單元，采集當(dāng)前的視頻圖像。車牌識(shí)別單元對(duì)圖像進(jìn)行處理，定位 牌照位置 ，再將牌照中 的字符 進(jìn)行 分割 和 識(shí)別，組成 號(hào)牌信息 輸出 。

這種方法使得車牌區(qū)域在圖像中的位置和大小較為固定，車牌往往不存在傾斜和形變的情況，并且圖片中沒(méi)有太多干擾物體，圖像大小和清晰度以及成像系統(tǒng)的參數(shù)特性都是已知的，這些先驗(yàn)知識(shí)大大降低了數(shù)字圖像處理的難度，但卻增加了系統(tǒng)對(duì)硬件的要求。近十年來(lái)，人們通過(guò)移動(dòng)設(shè)備獲取了大量的圖片信息，這些信息公布在網(wǎng)絡(luò)社交中，蘊(yùn)含了大量潛在價(jià)值，但由于生活場(chǎng)景比生產(chǎn)場(chǎng)景包含更為豐富信息，需要識(shí)別的對(duì)象呈現(xiàn)形式更為自由，導(dǎo)致傳統(tǒng)的圖像處理方法效果不佳。這兩個(gè)問(wèn)題都迫使我們尋找更為智能的車牌識(shí)別方法。

2006年， Geoffrey Hinton和他的學(xué)生 發(fā)表了深度學(xué)習(xí)的里程碑式的 文章 [自此沉寂多年的神經(jīng)網(wǎng)絡(luò)復(fù)興，人工智能取得了突破性進(jìn)展。近些年來(lái) 阿里巴巴、百度、騰訊、華為都在進(jìn)行這方面的研究，江蘇衛(wèi)視《最強(qiáng)大腦》 的人機(jī)對(duì)戰(zhàn)也 引起了廣泛地關(guān)注， 2017年的政府工作報(bào)告也提到了人工智能 。 不可否認(rèn)， 人工智能確實(shí)取 得了很快發(fā) 展，它將 引領(lǐng)經(jīng)濟(jì)社會(huì)發(fā)展。

車牌識(shí)別作為人工智能中一個(gè)細(xì)小的分支，一方面，它既涉及許多新興學(xué)科的基礎(chǔ)知識(shí)，也可以驗(yàn)證多種理論方法的應(yīng)用效果，而且由于車牌種類相對(duì)單一，特征比較明顯，數(shù)據(jù)獲取也很方便，是入門機(jī)器學(xué)習(xí)的良好 素材。另一方面，車牌識(shí)別還有很大的提升空間，面對(duì)復(fù)雜的成像環(huán)境，多樣的光照條件和不同的成像距離，以及一定的失真、遮擋、污損，如何提高車牌識(shí)別的準(zhǔn)確率仍然是個(gè)問(wèn)題。

現(xiàn)如今很多場(chǎng)合下的車輛身份識(shí)別采用的是IC卡識(shí)別技術(shù)或者條形碼識(shí)別技術(shù)，這種技術(shù)比基于圖像識(shí)別的技術(shù)可靠性 好，準(zhǔn)確度高，但無(wú)法核對(duì)車輛與 IC卡是否相符，需要司機(jī)停車刷卡，而基于圖像的方法可以對(duì)運(yùn)動(dòng)中的車輛實(shí)現(xiàn)非接觸性信息采集和實(shí)時(shí)識(shí)別，使車輛無(wú)障礙通行。不可否認(rèn)，這兩種方法各有優(yōu)缺點(diǎn)，但隨著數(shù)字圖像處理 技術(shù)的 發(fā)展，基于圖片的識(shí)別方法會(huì)被越來(lái)越多的 人認(rèn)可。

基于車牌識(shí)別不應(yīng)該局限于處理固定視角的攝像監(jiān)控圖片這個(gè)的出發(fā)點(diǎn)，本次畢業(yè)設(shè)計(jì)希望研究出一個(gè)更加通用的中文車牌識(shí)別方法。這里的“通用”指的是基于多種背景，視角，大小，光照條件和來(lái)源的中文車牌識(shí)別，當(dāng)然這個(gè)“通用”也只是一個(gè)相對(duì)的概念，它依然有自己的局限性。

2.車牌識(shí)別技術(shù)發(fā)展概況

車牌識(shí)別的概念 最早 在 1976年 由英國(guó)的公安科學(xué)發(fā)展處（ Police Scientific Development Branch）提出，它的第一個(gè)實(shí)驗(yàn)室原型誕生于 1979年，同年，第一相關(guān)行業(yè)生產(chǎn)標(biāo)準(zhǔn)在英國(guó)沃金厄姆頒發(fā)。車牌識(shí)別早期的試驗(yàn)系統(tǒng)部署在英國(guó)最長(zhǎng)的編號(hào)公路 A1公路和達(dá)特福德隧道， 然而由于硬件設(shè)備 價(jià)格 昂貴 和處理器計(jì)算能力有限 ，直到上世紀(jì) 90年代 VLPR才開(kāi)始快速發(fā)展， 許多復(fù)雜的算法得以應(yīng)用，程序處理的對(duì)象 也 由黑白圖片、灰度圖片轉(zhuǎn)變?yōu)椴噬珗D片和視頻，車牌識(shí)別率和識(shí)別速度均得到顯著提高。

在我國(guó)，該項(xiàng)研究雖然起步較晚，但在高水平期刊中不乏優(yōu)秀的研究團(tuán)隊(duì)發(fā)表文 章 ，在市場(chǎng)中也有像“文通科技”、“漢王科技”這樣的杰出企業(yè) 存在 。中華人民共和國(guó)交通運(yùn)輸部 于 2011年 公布的《交通運(yùn) 輸“十二五”發(fā)展規(guī)劃》明確提出“推進(jìn)交通信息化建設(shè)，大力發(fā)展智能交通，提升交通運(yùn)輸?shù)默F(xiàn)代化水平”，自此 在我國(guó) 智能交通由理論研究向?qū)嵺`階段 快速 轉(zhuǎn)型，車牌識(shí)別 技術(shù) 在公共交通中得以大圍應(yīng)用。目前，無(wú)論是國(guó)內(nèi)還是國(guó)外，均 有 文獻(xiàn)報(bào)道 實(shí)現(xiàn) 了 90%以上的 整體識(shí)別
正確率 和單張圖片平均 處理時(shí)間 低于 300ms的 處理速度 [2,3]。

車牌識(shí)別技術(shù)一方面需要穩(wěn)定可靠的識(shí)別效果，以滿足 全天時(shí)和全天候的工作要求，另一方面需要快速的處理能力，以實(shí)現(xiàn)實(shí)時(shí) 處理。 在不同國(guó)家和地區(qū)，車牌尺寸、顏色、字符、編碼方式都有明顯差異，在實(shí)際應(yīng)用中，不同國(guó)家和地區(qū)的車牌識(shí)別方法會(huì)略有不同。 雖然在學(xué)術(shù)研究中，多種先進(jìn)的圖像處理方法被應(yīng)用在市場(chǎng)上，也有很多產(chǎn)品宣稱自己達(dá)到了 99%的識(shí)別率， 然而這些方法大多是在特定條件下才會(huì)取得很好的效果，比如特定的光照條件，特定的成像距離和視角，特定的背景，有限的車速，甚至特定的成像設(shè)備 ，一旦條件改變 車牌識(shí)別效果將會(huì)變得很差 [4]。而且由于沒(méi)有統(tǒng)一的測(cè)試 集和評(píng)估方法，明確指出哪種方法 優(yōu)于其他方法是不恰當(dāng)?shù)?[5]。

車牌識(shí)別技術(shù)最大的挑戰(zhàn) 在于車牌和環(huán)境的多樣性，其中車牌的多樣性主要體現(xiàn)在 以下幾點(diǎn)：

（1）車牌區(qū)域在圖片中的呈現(xiàn)形式多樣 。車牌區(qū)域可以出現(xiàn)在圖片中的任意位置，一張圖片也可以包含多個(gè)車牌區(qū)域。由于拍攝距離和相對(duì)位置的不同，同一車牌在特定大小的圖片中，面積不固定，而且由于視角的不同，像與真實(shí)物體之間存在扭曲和形變，使得角度和長(zhǎng)寬比發(fā)生改變。

（2）車牌種類 繁多。不同款式的車牌擁有不同的背景和字符顏色，不同地區(qū)車牌使用的 號(hào)牌編碼方式 不同，使用相同語(yǔ)言的國(guó)家 在 車牌 上使用的字體 有所差異，同一國(guó)家，不同款式的車牌，字符的排版方式也不同。

（3）車牌固有屬性可變。隨著使用時(shí)間的增加 車牌會(huì) 發(fā)生老化，使得顏色和紋理信息發(fā)生改變。車牌區(qū)域會(huì)存在污漬和損壞，不同款式的車安裝車牌的方式也有所不同，有的車牌存在外框架，有的車牌為了與車頭相匹配存在人為扭曲。

環(huán)境的多樣性主要體現(xiàn)在光照和背景兩個(gè)方面：
（1）光照干擾。在白天，戶外的成像設(shè)備往往依靠自然光，但由于太陽(yáng)照射角在一天內(nèi) 不斷改變 ，會(huì)出現(xiàn)順光和逆光的情形，順光時(shí)車牌區(qū)域會(huì)有反光現(xiàn)象而逆光會(huì)導(dǎo)致陰影的產(chǎn)生。在夜間和室內(nèi)， 往往采用補(bǔ)光設(shè)備，保證機(jī)器的正常工作，然而由于車燈的干擾，成像 存在 模糊的問(wèn)題。過(guò)強(qiáng)和過(guò)弱的光照條件均會(huì)使得車牌的顏色發(fā)生一定程度 的失真。

（2）背景干擾。背景中往往存在許多與車牌區(qū)域具有相似特征的對(duì)象，比如顏色特征相似， 紋理特征相似的區(qū)域，在算法不夠聰明的情況下，處理器會(huì)將這些區(qū)域 作為車牌區(qū)域處理，有時(shí)會(huì)影響到真實(shí)車牌 區(qū)域 的識(shí)別，而為了充分濾除這些干擾，需要使用更多的的特征和智能的過(guò)濾器，這會(huì)拖累處理速度 ，影響 實(shí)時(shí)性。目前，這些困難還不能得到有效地解決。

在我國(guó)，標(biāo)準(zhǔn)汽車牌照是由漢字、英文字母和阿拉伯?dāng)?shù)字共7個(gè)字符組成， 根據(jù)不同車輛、車型、用途規(guī)定了多種 款式的 牌照 可以 分為普通車轎車、使館車、警車、軍車等，通常汽車牌照中也分大車和小車 ，并且存在臨時(shí)車牌。我國(guó)汽車牌照的底色和字符顏色有多種組合， 日常生活中常見(jiàn)的有藍(lán)底白字車牌、黃底黑字車牌、以及白底黑字車牌 三種 ，而自 2016年 12月 1日起，上海、南京、無(wú)錫、濟(jì)南、深圳 5個(gè)城市率先試點(diǎn) 綠 底白字的 新能源 車 牌。 由于多數(shù)漢字不連通（蘇，川，吉），結(jié)構(gòu)復(fù)雜（贛，浙，藏），車牌識(shí)別 的難度較大，對(duì)圖像處理的技術(shù)要求高，國(guó)外許多成功的車牌識(shí)別方法 不能直接應(yīng)用在中文車牌識(shí)別中。

2017年發(fā)表的 一篇論文 [6]，闡述了一種基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的中文車牌識(shí)別方法，通過(guò)對(duì) 2189幅不同背景下的包含車牌的日常生活圖片的車牌識(shí)別，達(dá)到了 93.74%的識(shí)別率和平均每張圖片 318ms的處理速度。

3.主要研究?jī)?nèi)容

主要闡述了一種更加“通用”的中文車牌識(shí)別方法及其程序?qū)崿F(xiàn)，該方法針對(duì)于識(shí)別多種背景，視角，大小，光照條件和來(lái)源的車牌圖片，它的基本流程如圖 1-2所示， 輸入需要 識(shí)別的圖片，通過(guò)分析邊緣或者顏色特征，得到車牌區(qū)域候選人，通過(guò)對(duì)車牌區(qū)域候選人進(jìn)行字符分析，判斷它的字符數(shù)是否為七，是 則將字符分析的結(jié)果輸入字符識(shí)別中，輸出車牌號(hào)，否則認(rèn)為它不是車牌。

本研究的關(guān)鍵點(diǎn)在于實(shí)現(xiàn)一種“通用”的中文車牌識(shí)別方法，“通用”指的是基于多種背景，視角，大小，光照條件和來(lái)源。雖然中文車牌種類繁多，但由于圖片數(shù)量的限制以及個(gè)人精力有限，本文只研究了生活中最為常見(jiàn)的小型汽車車牌，也就是 藍(lán)底白字白框線 的尺寸為440mm××140mm的車牌，本文的“通用”不涉及各種類型的中文車牌識(shí)別。

?（4）圖片沒(méi)有較大的水印和人為的涂畫，天氣狀況均為晴天 。

本文主體部分共有五章，分別是建立圖片集、提取車牌區(qū)域候選人、字符分析、字符的識(shí)別、程序綜合與分析。

• 圖片集的建立是本研究開(kāi)展的基礎(chǔ)工作，也是研究中相比其他各項(xiàng)工作 人力消耗最大的部分 ，數(shù)據(jù)集的質(zhì)量和數(shù)量，是整套方法建立的依據(jù) 。 數(shù)據(jù)集的制作 分為 5個(gè)部分： 獲取包含車牌的數(shù)字圖片集；獲取車牌區(qū)域候選人的數(shù)據(jù)集；建立字符判斷的數(shù)據(jù)集；建立數(shù)字和字母識(shí)別的數(shù)據(jù)集；建立中文字符識(shí)別的數(shù)據(jù)集。
• 車牌區(qū)域候選人的獲取章節(jié)的 主要內(nèi)容是對(duì) 圖片集進(jìn)行分析并探討適用的定位方法， 傳統(tǒng)的車牌定位即使結(jié)合了多種圖像處理的技術(shù)，也是用一套方法去處理不同環(huán)境下的圖片，實(shí)際上不同的場(chǎng)景適合不同的處理方 法，細(xì)化分類才能幫助機(jī)器更好的理解決策 。
• 字符分析章節(jié) 的處理對(duì)象是 車牌區(qū)域候選人，主要分為字符候選人的提取，字符判斷和文本提取 三個(gè)部分，該部分可以實(shí)現(xiàn)非車牌區(qū)域的濾除和車牌區(qū)域字符分割兩大功能。字符候選人的提取采用改進(jìn)的最大穩(wěn)定極值區(qū)域（ Maximally Stable Extremal Regions MSER）的方法，字符判斷使了基于 20個(gè)字符特征的支持向量機(jī)（Support Vector Machine SVM）作為分類器。字符候選人的提取和字符判斷只針對(duì)車牌上的數(shù)字和字母，不包括漢字。字符聚類搜索可以解決字符嵌套和字符遺漏的問(wèn)題，完成字符外接矩形校正，最終得到完整的車牌字符序列。
• 字符的識(shí)別章節(jié)分為 漢字和非漢字 識(shí)別兩部分 ，其中漢字為 31個(gè)省份的簡(jiǎn)稱，分類器使用 是自主設(shè)計(jì)的 10卷積神經(jīng)網(wǎng)絡(luò)（ Convert Neutral Network CNN 模型MyLeNet 分類器 輸入是大小為 32*32的黑白圖片；非漢字指的是車牌上使用的 10種數(shù)字和 24種英文大寫字符，它們的識(shí)別使用了 BP神經(jīng)網(wǎng)絡(luò)（ Back Propagation Neutral Network），分類器的輸入是基于紋理的金字塔梯度方向直方圖Pyramid of Histogram of Oriented Gradients PHOG）的維度為 180的特征向量。為了充分說(shuō)明所用分類器的合理性，本章對(duì)比了 BP神經(jīng)網(wǎng)絡(luò)和 CNN的漢字識(shí)別效果以及 SVM和 BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)字和字母的識(shí)別效果。
• 程序綜合 章節(jié) 簡(jiǎn)要 說(shuō)明了項(xiàng)目平臺(tái)的搭建過(guò)程和程序的框架結(jié)構(gòu) ，介紹了本次研究所使用的開(kāi)發(fā)工具集 Visual Studio和主要使用的計(jì)算機(jī)視覺(jué)庫(kù) OpenCV和卷積神經(jīng)網(wǎng)絡(luò)框架 Caffe，闡述了程序如何綜合前幾章節(jié)的研究成果實(shí)現(xiàn) 自動(dòng)識(shí)別一張或多張 圖片的功能 ，展示了程序的運(yùn)行效果 。

4.建立圖片集

5.車牌候選人提取

6.編程環(huán)境

文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-834119.html

到了這里，關(guān)于人工智能|深度學(xué)習(xí)——基于數(shù)字圖像處理和深度學(xué)習(xí)的車牌定位的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！